CAB-AXL-ADC 在成人与青少年肉瘤患者中的安全性与疗效研究
该数据集来自 clinicaltrials.gov,收录一项针对晚期实体瘤患者的多中心、开放标签、1/2 期研究,评估条件性活性生物制剂(CAB)AXL 靶向抗体药物偶联物 mecbotamab vedotin(BA3011)的安全性、耐受性、药代动力学、免疫原性和抗肿瘤活性

基本信息
资源简介
CAB-AXL-ADC 在成人与青少年肉瘤患者中的安全性与疗效研究
该数据集来自 clinicaltrials.gov,收录一项针对晚期实体瘤患者的多中心、开放标签、1/2 期研究,评估条件性活性生物制剂(CAB)AXL 靶向抗体药物偶联物 mecbotamab vedotin(BA3011)的安全性、耐受性、药代动力学、免疫原性和抗肿瘤活性。研究覆盖未分化多形性肉瘤和黏液纤维肉瘤等肉瘤类型,1 期包括剂量递增和剂量扩展阶段,2 期分为单药及联合 nivolumab 部分以及针对特定肉瘤类型的部分。可用于肉瘤治疗相关的安全性、疗效及药物特征分析(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):条件:未分化多形性肉瘤、黏液纤维肉瘤。这是一项多中心、开放标签的 1/2 期研究,旨在评估 mecbotamab vedotin(BA3011)——一种条件性活性生物制剂(CAB)AXL 靶向抗体药物偶联物(CAB-AXL-ADC)——在晚期实体瘤患者中的安全性、耐受性、PK、免疫原性和抗肿瘤活性。本研究的 1 期将包括剂量递增阶段(截至 2019 年 10 月入组完成)和剂量扩展阶段(截至 2024 年 1 月入组完成)。2 期将包括两部分。第 1 部分旨在评估 mecbotamab vedotin 单药以及与 nivolumab 联合用于各种类型晚期肉瘤患者(截至 2024 年 1 月入组完成)。第 2 部分将评估 mecbotamab vedotin 在未分化多形性肉瘤(UPS)和黏液纤维肉瘤(MFS)患者中的安全性和疗效。
【主题与分类】
主题标签:Undifferentiated Pleomorphic Sarcoma、Myxofibrosarcoma。本站分类:肿瘤。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT03425279
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务(收技术服务费,非数据销售)
暂未开放当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站:https://clinicaltrials.gov/study/NCT03425279
标准获取流程:
- 访问源站链接,注册/登录账号;
- 进入数据集详情页,按页面指引申请权限或直接下载;
- 部分平台提供 SDK,例如:
- OpenDataLab:
pip install openxlab后openxlab.dataset.get(...) - ModelScope:
pip install modelscope后modelscope download - 天池: 登录后页面提供直链下载
以源站「数据下载/使用文档」页面为准。
- OpenDataLab:
数据说明
疾病:未分化多形性肉瘤、黏液纤维肉瘤。这是一项多中心、开放标签的1/2期研究,旨在评估mecbotamab vedotin(BA3011)——一种条件性活性生物制剂(CAB)AXL靶向抗体药物偶联物(CAB-AXL-ADC)——在晚期实体瘤患者中的安全性、耐受性、药代动力学、免疫原性和抗肿瘤活性。本研究的1期包括剂量递增阶段(截至2019年10月入组已完成)和剂量扩展阶段(截至2024年1月入组已完成)。2期将包括两部分。第1部分旨在评估mecbotamab vedotin单药及联合nivolumab在各类晚期肉瘤患者中的效果(截至2024年1月入组已完成)。第2部分将评估mecbotamab vedotin在未分化多形性肉瘤(UPS)和黏液纤维肉瘤(MFS)患者中的安全性和疗效。
数据加载示例(图像类)
from PIL import Image
import glob, os
files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)
# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path) # 要求 子目录=类别
目录组织与标注格式以源站说明和下载后实际文件为准。
数据缺失?
依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。




